目标检测算法

单阶段：不提取出候选框，直接将整个图像输入模型中，算法直接输出检测结果，端到端    yolo，ssd

端到端，输入图像到网络中，然后从网络中输出图像

二阶段：先从图像中提取出候选框（先筛选一次），输入卷积神经网络，然后候选框进行分类与位置调整   rcnn

深度学习前置知识

Batch Normalization     归一化   对数据进行一些处理，使得每一层输入保持稳定，网络收敛别跑偏

LeakyReLU     激活函数引入非线性运算

Filters    过滤器也就是多层卷积核    stride （滑动的步长）

残差网络

要是往下卷积效果不好，就使用原来的

mAP   越大效果越好，在不同的阈值都考虑

精度：检测框与实际框的吻合度   

recall   是不是把所有的框都检测到了

 iou   实际框与预测框的交集/两个的并集

损失函数：给出一个函数当函数值越小，预测值与真实值越接近，这样神经网络的预测值接近真实值，最小化与真实值之间的误差

yolov3

yolo 是回归问题

回归问题主要用于预测某连续变量的数值，例如：预测PM2.5、预测房屋价格、电商用户购买可能性  没有限定的答案

yolo是通过中心点所在的格子去预测先验框中的信息（每个小格子都是先验框的中心点，先验框是我们是事先规定的，我们把先验框移动坐标，调整格子大小就变成了我们的最后的预测框）。yolov3中每个小格子有两个先验框，一个格子65个值，9(先验框)×（5）+20种类别概率），重点给出损失函数，让神经网络去猜

5:      中心点（x，y）  框的w，h ，置信度confidence（框住的是不是一个物体）

损失函数

网络结构

Residual  残差就是add   残差块 == 两个卷积+残差

黄色模块 = 残差块+  CBL

小目标就是 52×52 ，然后与后面中目标26×26上采样变成的52×52进行融合 ，通俗理解就是在使用小视野52的时候还要参考中视野26×26的特征